Mercury 3 troca a geração palavra por palavra e mira agentes de IA mais rápidos

A Inception Labs lançou o Mercury 3 em 19 de outubro, terceira geração do seu modelo de difusão para linguagem. A empresa diz que ele entrega qualidade comparável (e em vários pontos superior) ao GPT-6 Luna e ao Claude Haiku 5.5, gerando texto a 1.068 tokens por segundo em GPUs da Nvidia. O jornalista Corey Noles, da newsletter The Neuron, testou o modelo e publicou a análise que deu origem a este texto.

O ritmo de lançamentos da Inception chama atenção por si só. O Mercury original saiu em fevereiro de 2025. O Mercury 2 veio em fevereiro de 2026 com raciocínio e geração acima de mil tokens por segundo. O Mercury 2.5 saiu em 8 de setembro de 2026. Quarenta e um dias depois, chegou o Mercury 3.

Por que a forma de gerar texto importa para quem constrói

A maioria dos modelos que você já usou (GPT, Claude, Gemini) é autorregressiva: produz um token de cada vez, e cada token depende do anterior. É como escrever uma frase da esquerda para a direita, sem pular posições.

Difusão funciona diferente. O modelo gera e refina vários pedaços da resposta ao mesmo tempo, como um editor revisando trechos espalhados de um rascunho em paralelo. Isso não elimina o custo computacional nem a dependência do hardware, mas muda a relação entre tamanho da resposta e tempo de espera. Para quem monta um pipeline com várias chamadas encadeadas, essa mudança de arquitetura é o motivo real para prestar atenção, não só a marca do lançamento.

A pergunta que ficava em aberto era se essa vantagem de velocidade se manteria conforme o modelo crescesse em capacidade. A Inception afirma que o Mercury 3 tem mais de 40 vezes o total de parâmetros do Mercury 1, com cerca do triplo de desempenho agregado nos benchmarks padrão, mantendo throughput parecido. No post de lançamento, a empresa foi direta:

As leis de escala que impulsionaram o progresso em modelos autorregressivos valem também para a difusão.

The scaling laws that drove progress in autoregressive models hold for diffusion too.Inception Labs, post de lançamento do Mercury 3

Se pesquisas independentes confirmarem essa trajetória, a difusão deixa de ser nota de rodapé e passa a disputar espaço real como arquitetura de produção.

Os números que a Inception publicou

Os benchmarks comparam Mercury 3 contra GPT-6 Luna e Claude Haiku 5.5. São resultados divulgados pela própria Inception, não um leaderboard independente, e isso vale a ressalva antes de qualquer decisão de arquitetura.

O contexto também cresceu: a janela passou de 260 mil tokens no Mercury 2.5 para 1 milhão de tokens no Mercury 3. Na parte de integração, o modelo traz controles de raciocínio, chamada de ferramentas, saída estruturada e API compatível com o formato da OpenAI, o que facilita trocar o modelo em quem já usa esse padrão sem reescrever a camada de integração.

Quanto custa rodar

O preço é onde o Mercury 3 aperta o argumento. A tabela padrão e a promoção de lançamento:

O desconto de lançamento é temporário, mas mesmo no preço cheio o custo por token fica bem abaixo do que times costumam pagar por modelos de ponta rápidos. Para fluxos que fazem muitas chamadas pequenas (um agente que navega, busca e responde em sequência), essa diferença de centavos se multiplica rápido na fatura mensal.

O teste prático: oito chamadas por quatro centavos

Noles rodou oito testes via OpenRouter cobrindo escrita, matemática de negócios, explicação, código, resistência a alucinação e lógica. O custo total reportado das oito chamadas foi de 0,0416 dólar.

• Escrita criativa: história divertida, mas descumpriu restrições. O pedido era 250 palavras, um único cômodo e duas personagens; o modelo entregou cerca de 274 palavras e saiu do cenário combinado.
• Matemática de negócios: acertou os três números pedidos (900 dólares de lucro bruto diário, 756 dólares de economia mensal e 576 dólares de benefício líquido mensal) e ainda calculou o ponto de equilíbrio sem ser solicitado, com um pequeno deslize ao confundir lucro por unidade com margem percentual.
• Explicação técnica: boa para três públicos diferentes (criança, adulto leigo, engenheiro), com algumas simplificações exageradas. Numa versão mais rígida, acertou exatamente 50 e 150 palavras pedidas, só que a chamada mais precisa custou visivelmente mais caro.
• Código: o resultado mais forte. O pedido era um jogo de exploração em HTML, um único arquivo, mapa aleatório de 25 por 25, inimigos corpo a corpo e à distância, regras de linha de visão, poções, ouro e botão de reiniciar. O JavaScript passou na checagem de sintaxe, e 2.000 gerações aleatórias de mapa rodaram sem falha nas condições de contagem de salas, conectividade e posicionamento inicial testadas.
• Resistência a alucinação: identificou corretamente que uma missão fictícia da NASA em 1987 não existia e recusou inventar detalhes, mas usou três buscas na web para chegar lá (resultado assistido por ferramenta) e, no caminho, afirmou de forma incorreta que não houve outros lançamentos do ônibus espacial entre 1986 e 1988.
• Lógica: resolveu o clássico problema das três caixas de frutas mal rotuladas corretamente, dentro do limite de palavras, por 0,00014 dólar.

O próprio Noles classifica esses testes como checagens editoriais pontuais, não um benchmark controlado: não repetiu as tarefas em temperaturas diferentes, não mediu latência em hardware equivalente e não reproduziu de forma independente os 1.068 tokens por segundo anunciados pela Inception.

Onde a velocidade vira vantagem real: agentes

O público que mais deve sentir diferença é quem constrói sistemas com muitas chamadas pequenas e repetidas: agentes de navegação em navegador, busca, atendimento, tutoria e revisão de código. Cada etapa que espera a resposta da anterior soma latência, e é aí que throughput alto compensa.

A Inception publicou que o Mercury 3 completou 50% de 50 tarefas reais de navegação do benchmark Mind2Web rodando dentro de um agente em produção, superando o GPT-6.1 Sol nessa avaliação específica. Clientes citados como TinyFish, RevisionDojo, Octen e Lorikeet descrevem uso em navegação, aprendizado, busca e suporte. São números e relatos divulgados pela própria empresa e por parceiros, não uma auditoria externa, mas indicam onde a arquitetura já está sendo colocada à prova.

O lançamento também vem junto com dois modelos irmãos: o Mercury Voice, otimizado para agentes de voz de baixa latência, e o Mercury Decide, voltado a decisões estruturadas em alto volume. O Mercury 3 em si já suporta fluxos de agente com chamada de ferramentas, mas vale não presumir que toda capacidade da família está disponível no mesmo endpoint.

Os limites que ainda pesam

Três pontos merecem atenção antes de trocar um modelo de produção pelo Mercury 3. Primeiro, o cumprimento de restrições (contagem de palavras, cenário fechado) ainda falha, como mostrou o teste de escrita criativa. Segundo, mesmo acertando ao rejeitar uma premissa falsa, o modelo pode introduzir um erro factual não relacionado ao mesmo tempo, como aconteceu no teste de alucinação. Terceiro, os benchmarks comparativos com GPT-6 Luna e Claude Haiku 5.5 são autorrelatados pela Inception, sem verificação num leaderboard independente até o momento.

Nenhum desses pontos invalida o resultado geral, mas eles definem o tipo de tarefa em que vale testar primeiro: fluxos de agente com muitas chamadas curtas e tolerância a revisão humana no final, não tarefas de precisão absoluta sem checagem posterior.

Como testar

Para experimentar sem escrever código, dá para usar o Mercury Chat. Para integrar via API, a Inception oferece 100 milhões de tokens grátis para contas novas, com um guia rápido de início. O modelo também está disponível via OpenRouter e Vercel AI Gateway, com a Baseten listada como parceira de disponibilidade. Como a API é compatível com o formato da OpenAI, trocar o modelo em um projeto que já usa esse padrão tende a ser uma mudança de poucas linhas, o que facilita rodar um teste A/B de custo e latência antes de decidir se vale migrar um fluxo inteiro.

Fonte: The Neuron